- 小模型中的一个代表作MobileNet v1，它是一种基于流水线结构，使用深度级可分离卷积构建的轻量级神经网络，并通过两个超参数的引入使得开发人员可以基于自己的应用和资源限制选择合适的模型，如下面的1和2 MobileNet是基于深度级可分离卷积构建的网络，其实这种结构最早是出现在GoogleNet v3的inception中，它是将标准卷积... 小模型中的一个代表作MobileNet v1，它是一种基于流水线结构，使用深度级可分离卷积构建的轻量级神经网络，并通过两个超参数的引入使得开发人员可以基于自己的应用和资源限制选择合适的模型，如下面的1和2 MobileNet是基于深度级可分离卷积构建的网络，其实这种结构最早是出现在GoogleNet v3的inception中，它是将标准卷积...
- 1 Attention 和 Self-Attention Attention的核心思想是：从关注全部到关注重点。Attention 机制很像人类看图片的逻辑，当看一张图片的时候，我们并没有看清图片的全部内容，而是将注意力集中在了图片的焦点上。大家看下面这张图自行体会： 对于CV中早期的Attention，例如：SENet，CBAM，通常... 1 Attention 和 Self-Attention Attention的核心思想是：从关注全部到关注重点。Attention 机制很像人类看图片的逻辑，当看一张图片的时候，我们并没有看清图片的全部内容，而是将注意力集中在了图片的焦点上。大家看下面这张图自行体会： 对于CV中早期的Attention，例如：SENet，CBAM，通常...
- 假设 输入数据维度为W*W Filter大小 F×F 步长 S padding的像素数 P 可以得出 N = (W − F + 2P )/S+1 输出大小为 N×N 假设 输入数据维度为W*W Filter大小 F×F 步长 S padding的像素数 P 可以得出 N = (W − F + 2P )/S+1 输出大小为 N×N
- 什么是全连接神经网络，怎么理解“全连接”？ 对n-1层和n层而言 n-1层的任意一个节点，都和第n层所有节点有连接。即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权。 全连接是一种不错的模式，但是网络很大的时候，训练速度回很慢。部分连接就是认为的切断某两个节点直接的连接，这样训练时计算量大大减... 什么是全连接神经网络，怎么理解“全连接”？ 对n-1层和n层而言 n-1层的任意一个节点，都和第n层所有节点有连接。即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权。 全连接是一种不错的模式，但是网络很大的时候，训练速度回很慢。部分连接就是认为的切断某两个节点直接的连接，这样训练时计算量大大减...
- 参考：http://www.cnblogs.com/pegasus/archive/2011/05/19/2051416.html 这里讨论利用输入图像中像素的小邻域来产生输出图像的方法，在信号处理中这种方法称为滤波（filtering）。其中，最常用的是线性滤波：输出像素是输入邻域像素的加权和。 1.相关算子（Correlation Operator)... 参考：http://www.cnblogs.com/pegasus/archive/2011/05/19/2051416.html 这里讨论利用输入图像中像素的小邻域来产生输出图像的方法，在信号处理中这种方法称为滤波（filtering）。其中，最常用的是线性滤波：输出像素是输入邻域像素的加权和。 1.相关算子（Correlation Operator)...
- X(t)为随机过程，a(t)=E(X(t))为期望，Y(t)为另一随机过程 自相关函数的定义为： R(s,t)=E(X(s)*X(t)) 互相关函数的定义为： R(s,t)=E(X(s)*Y(t)) 事实上，在图象处理中，自相关和互相关函数的定义如下：设原函数是f(t)，则自相关函数定义为R(u)=f(t)*f(-t)，其中*表示卷积；设两个函数分别... X(t)为随机过程，a(t)=E(X(t))为期望，Y(t)为另一随机过程 自相关函数的定义为： R(s,t)=E(X(s)*X(t)) 互相关函数的定义为： R(s,t)=E(X(s)*Y(t)) 事实上，在图象处理中，自相关和互相关函数的定义如下：设原函数是f(t)，则自相关函数定义为R(u)=f(t)*f(-t)，其中*表示卷积；设两个函数分别...
- 'steps': [8, 16, 32],决定特征图大小 feature_maps images/steps # 'min_sizes': [[28, 35], [48, 70], [110, 170]], anchors尺寸 # 'steps': [8, 16, 32],决定特征图大小 images/steps  ... 'steps': [8, 16, 32],决定特征图大小 feature_maps images/steps # 'min_sizes': [[28, 35], [48, 70], [110, 170]], anchors尺寸 # 'steps': [8, 16, 32],决定特征图大小 images/steps  ...
- from collections import OrderedDict import timeimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.nn import init def _make_divisible(v, divisor, min_value=N... from collections import OrderedDict import timeimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.nn import init def _make_divisible(v, divisor, min_value=N...
- Curve-GCN是一种高效交互式图像标注方法，其性能优于Polygon-RNN++。在自动模式下运行时间为29.3ms，在交互模式下运行时间为2.6ms，比Polygon-RNN ++分别快10倍和100倍。 https://mp.weixin.qq.com/s?__biz=MzI5MDUyMDIxNA==&mid=... Curve-GCN是一种高效交互式图像标注方法，其性能优于Polygon-RNN++。在自动模式下运行时间为29.3ms，在交互模式下运行时间为2.6ms，比Polygon-RNN ++分别快10倍和100倍。 https://mp.weixin.qq.com/s?__biz=MzI5MDUyMDIxNA==&mid=...
- 原文： http://blog.sina.com.cn/s/blog_6df50e1a01019z95.html 1.使用模板处理图像相关概念 模板：矩阵方块，其数学含义是一种卷积运算。 卷积运算：可看作是加权求和的过程，使用到的图像区域中的每个... 原文： http://blog.sina.com.cn/s/blog_6df50e1a01019z95.html 1.使用模板处理图像相关概念 模板：矩阵方块，其数学含义是一种卷积运算。 卷积运算：可看作是加权求和的过程，使用到的图像区域中的每个...
- 3*3卷积核不降尺寸做法： self.conv_1x1_last = conv_bn_relu(nin=96, nout=96, kernel_size=3, stride=1, padding=1, bias=False) 降尺寸做法： conv_bn_relu(nin=80, nout=96, kernel_size=3, stride=2, pad... 3*3卷积核不降尺寸做法： self.conv_1x1_last = conv_bn_relu(nin=96, nout=96, kernel_size=3, stride=1, padding=1, bias=False) 降尺寸做法： conv_bn_relu(nin=80, nout=96, kernel_size=3, stride=2, pad...
- VariFocalNet | IoU-aware同V-Focal Loss全面提升密集目标检测(附YOLOV5测试代码) 观察到，核心网络是resnet50，resnet101 如果推理报错，参考： https://github.com/hyz-xmaster/VarifocalNet/issues/1 准确地对大量候选检测器进行排名是高性能密集目标检测器的关键。尽管... VariFocalNet | IoU-aware同V-Focal Loss全面提升密集目标检测(附YOLOV5测试代码) 观察到，核心网络是resnet50，resnet101 如果推理报错，参考： https://github.com/hyz-xmaster/VarifocalNet/issues/1 准确地对大量候选检测器进行排名是高性能密集目标检测器的关键。尽管...
- 论文笔记：https://zhuanlan.zhihu.com/p/33158548 论文链接：https://arxiv.org/abs/1711.07264 这篇文章从题目上看就一目了然:捍卫two-stage object detector. 我们知道Object detection分为两大门派： 一类是two-stagede... 论文笔记：https://zhuanlan.zhihu.com/p/33158548 论文链接：https://arxiv.org/abs/1711.07264 这篇文章从题目上看就一目了然:捍卫two-stage object detector. 我们知道Object detection分为两大门派： 一类是two-stagede...
- 本文是对我们CVPR 2021被接收的文章 Involution: Inverting the Inherence of Convolution for Visual Recognition的解读，同时也分享一些我们对网络结构设计（CNN和Transformer）的理解。 这篇工作主要是我和SENet的作者胡杰一起完成的，也非常感谢HKUST的两位导师@陈启... 本文是对我们CVPR 2021被接收的文章 Involution: Inverting the Inherence of Convolution for Visual Recognition的解读，同时也分享一些我们对网络结构设计（CNN和Transformer）的理解。 这篇工作主要是我和SENet的作者胡杰一起完成的，也非常感谢HKUST的两位导师@陈启...
- 超越卷积、自注意力机制：强大的神经网络新算子involution Image Classification on ImageNet Model Params(M) FLOPs(G) Top-1 (%) Top-5 (%) Config Download RedNet-26 9.23(32.8%↓) 1.73(29.2%↓) ... 超越卷积、自注意力机制：强大的神经网络新算子involution Image Classification on ImageNet Model Params(M) FLOPs(G) Top-1 (%) Top-5 (%) Config Download RedNet-26 9.23(32.8%↓) 1.73(29.2%↓) ...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签